{"id":36902,"date":"2019-10-31T22:14:38","date_gmt":"2019-10-31T19:14:38","guid":{"rendered":"https:\/\/prohoster.info\/blog\/vgpu-ispolzovat-nelzya-ignorirovat\/"},"modified":"2019-10-31T22:14:38","modified_gmt":"2019-10-31T19:14:38","slug":"vgpu-ispolzovat-nelzya-ignorirovat","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/vgpu-ispolzovat-nelzya-ignorirovat","title":{"rendered":"vGPU \u2014 no se puede ignorar","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"vGPU
\n
\nDurante junio y julio, casi una veintena de empresas se acercaron a nosotros interesadas en las capacidades de las GPUs virtuales. Una de las grandes filiales de Sberbank ya est\u00e1 utilizando la \u00abGr\u00e1fica\u00bb de Cloud4Y, pero en general el servicio no es muy popular. Por lo tanto, esta actividad nos alegr\u00f3 bastante. Al ver el aumento de inter\u00e9s en la tecnolog\u00eda, decidimos contar un poco m\u00e1s sobre vGPU.<\/i> <\/a><\/noindex><\/p>\n

Los \u00ablagos de datos\u00bb, generados a partir de experimentos cient\u00edficos e investigaciones, Deep Learning y otras \u00e1reas de trabajo con IA, as\u00ed como la modelaci\u00f3n de objetos grandes y complejos, requieren hardware de alto rendimiento. Es ideal tenerlo y que permita resolver r\u00e1pidamente las tareas actuales. Sin embargo, debido a la creciente complejidad computacional de las tareas (especialmente en an\u00e1lisis de negocios, renderizado, algoritmos de DL y frameworks), la capacidad de los CPUs de escritorio e incluso de servidor se vuelve cada vez m\u00e1s insuficiente.<\/p>\n

La soluci\u00f3n se encontr\u00f3 en el uso de c\u00e1lculos en la GPU. Esta tecnolog\u00eda de aceleraci\u00f3n gr\u00e1fica permite la compartici\u00f3n de recursos de un \u00fanico procesador gr\u00e1fico entre varias computadoras virtuales. La GPU fue dise\u00f1ada originalmente para el trabajo gr\u00e1fico, por lo que consiste en miles de peque\u00f1os n\u00facleos utilizados para procesar tareas en paralelo de manera eficaz. Parte de los c\u00e1lculos m\u00e1s exigentes se realizan en la GPU, mientras que el resto lo asume la CPU.<\/p>\n

\"vGPU
\n
\nLa computaci\u00f3n mediante GPU fue ideada por la empresa Nvidia <\/a><\/noindex>ya en 2007. Hoy en d\u00eda, esta tecnolog\u00eda ha alcanzado un nuevo nivel y se aplica en los centros de datos de las principales empresas y laboratorios cient\u00edficos. Sin embargo, el enfoque tradicional tiene una desventaja significativa: la compra de hardware f\u00edsico resulta bastante costosa. Y si recordamos la velocidad a la que se vuelve obsoleto el \u00abhardware\u00bb, la situaci\u00f3n se vuelve a\u00fan m\u00e1s desalentadora.<\/p>\n

La tecnolog\u00eda de procesadores gr\u00e1ficos virtuales: vGPU est\u00e1 destinada a resolver este problema. Con su ayuda, los usuarios pueden ejecutar aplicaciones pesadas de forma remota, como AutoCAD, 3DS Max, Maya, Sony Vegas Pro. La virtualizaci\u00f3n r\u00e1pidamente ha reclamado su parte del mercado. Despu\u00e9s de todo, \u00bfqu\u00e9 cient\u00edfico de datos ruso no aprecia los c\u00e1lculos r\u00e1pidos en las tarjetas gr\u00e1ficas NVidia Tesla? <\/p>\n

Es importante se\u00f1alar que antes de la aparici\u00f3n de vGPU se utilizaban otros m\u00e9todos para acelerar el procesamiento gr\u00e1fico: Acceleraci\u00f3n Gr\u00e1fica Compartida Virtual (vSGA) y Acceleraci\u00f3n Gr\u00e1fica Dedicada Virtual (vDGA). La soluci\u00f3n vGPU combina lo mejor de ambas tecnolog\u00edas. Al igual que con vSGA, en el entorno de vGPU se prev\u00e9 que varias estaciones de trabajo virtuales compartan GPU y RAM, pero cada VM env\u00eda comandos directamente a la GPU, como en el caso de vDGA.<\/p>\n

\u00bfPor qu\u00e9 se necesitan vGPU? <\/h2>\n

\nLa computaci\u00f3n en la nube utilizando vGPU permite a las empresas abordar tareas que anteriormente no pod\u00edan resolver. O que pod\u00edan resolver, pero requer\u00edan una cantidad irreal de recursos. Un servidor GPU moderno puede reemplazar hasta 100 CPU convencionales. Y hay otras cifras a\u00fan m\u00e1s impresionantes. Esas no son tonter\u00edas: las soluciones de Nvidia procesan petabytes de datos varias veces m\u00e1s r\u00e1pido que los servidores CPU cl\u00e1sicos. Y Google Cloud ofrece m\u00e1quinas virtuales con GPU que proporcionan hasta 960 teraflops.<\/a><\/noindex>Muchos especialistas necesitan dispositivos potentes capaces de realizar c\u00e1lculos paralelos. Arquitectos e ingenieros utilizan la tecnolog\u00eda vGPU en sistemas de dise\u00f1o (como Autodesk, por ejemplo). Los dise\u00f1adores trabajan con contenido digital de fotos y videos (Photoshop, CorelDraw).<\/p>\n

Las m\u00e1quinas virtuales con procesadores gr\u00e1ficos tambi\u00e9n son necesarias en instituciones m\u00e9dicas que recopilan y analizan datos sobre pacientes y enfermedades. Trabajan con GPU y \"<\/a><\/noindex> \u00bfCrees que eso es todo? Para nada. La tecnolog\u00eda tambi\u00e9n se utiliza para la verificaci\u00f3n autom\u00e1tica de la precisi\u00f3n de las im\u00e1genes satelitales, y paraYandex<\/a><\/noindex>\u00bb.<\/p>\n

la predicci\u00f3n de epidemias investigaciones meteorol\u00f3gicas<\/a><\/noindex>, modelado de ciclos solares<\/a><\/noindex>, an\u00e1lisis de negocios.<\/a><\/noindex>Y tambi\u00e9n hay un excelente art\u00edculo sobre modelado<\/a><\/noindex> y en el entorno Unity3D de<\/a><\/noindex>ThisIsZolden A pesar de todo esto, las soluciones basadas en vGPU todav\u00eda no se han generalizado en el mundo. As\u00ed, en 2018, NetApp realiz\u00f3<\/a><\/noindex> una encuesta entre las empresas que utilizan procesadores gr\u00e1ficos en su trabajo. Los resultados mostraron que el 60% de las organizaciones todav\u00eda operan en su infraestructura de TI propia. Sin embargo, solo el 23% utiliza la \"nube\". En Rusia, la penetraci\u00f3n de la tecnolog\u00eda de computaci\u00f3n en la nube tiene un menor significado. Sin embargo, gracias a nuevas soluciones de hardware y software, el n\u00famero de empresas que utilizan m\u00e1quinas virtuales con GPU est\u00e1 en constante aumento.<\/a><\/noindex>.<\/p>\n

Soluciones para vGPU encuesta <\/a><\/noindex>entre empresas que utilizan procesadores gr\u00e1ficos. Los resultados mostraron que el 60% de las organizaciones todav\u00eda operan sobre su propia infraestructura de TI. La \"nube\" se utiliza solo en el 23%. En Rusia, la adopci\u00f3n de la tecnolog\u00eda de computaci\u00f3n en la nube es menor. Pero gracias a nuevas soluciones de hardware y software, el n\u00famero de empresas que utilizan m\u00e1quinas virtuales con GPU sigue creciendo.<\/p>\n

Soluciones para vGPU<\/h2>\n

\n\"vGPU
\n
\nEl desarrollo de tecnolog\u00edas de virtualizaci\u00f3n de aceleradores gr\u00e1ficos es llevado a cabo por muchas empresas, pero entre ellas hay l\u00edderes indiscutibles.<\/p>\n

Uno de los desarrolladores m\u00e1s reconocidos de soluciones en el \u00e1mbito de la nube, la empresa VMware <\/b>ofrece a las compa\u00f1\u00edas un hipervisor ESXi<\/a><\/noindex>, bajo el cual la velocidad de trabajo de las GPU virtuales es comparable a la de implementaciones en hardware f\u00edsico. En una reciente actualizaci\u00f3n, el desarrollador desactiv\u00f3 el equilibrio de carga vMotion y a\u00f1adi\u00f3 soporte para la tecnolog\u00eda DirectPath I\/O, que conecta el controlador CUDA con la VM evitando el hipervisor y acelerando la transferencia de datos.<\/p>\n

Nvidia <\/b>tambi\u00e9n se esfuerza por cumplir con las expectativas del mercado, y para ello lanz\u00f3 una plataforma de c\u00f3digo abierto Rapids<\/a><\/noindex>. La soluci\u00f3n combina varias bibliotecas para trabajar con la arquitectura CUDA, lo que simplifica el manejo de datos durante el entrenamiento de redes neuronales y permite automatizar el trabajo con c\u00f3digo Python. El uso de Rapids con el algoritmo de aprendizaje autom\u00e1tico XGBoost logra un aumento en el rendimiento de 50 veces en comparaci\u00f3n con sistemas basados en CPU.<\/p>\n

Tambi\u00e9n cuenta con su propia tecnolog\u00eda AMD<\/b>. La plataforma se llama ROCm<\/a><\/noindex>. Utiliza la tecnolog\u00eda SR-IOV, que divide las capacidades hardware del dispositivo f\u00edsico entre varias m\u00e1quinas virtuales. Los recursos de un solo acelerador se pueden compartir entre diecis\u00e9is usuarios, manteniendo un rendimiento uniforme para cada uno de ellos. De este modo, se acelera la transferencia de datos entre las CPUs y GPUs en la nube. Tambi\u00e9n se utiliza un dialecto especial de C++ llamado HIP, que simplifica la ejecuci\u00f3n de operaciones matem\u00e1ticas en la GPU.<\/p>\n

Intel <\/b>est\u00e1 construyendo su tecnolog\u00eda sobre el hipervisor multiplataforma Citrix <\/a><\/noindex>XenServer 7, que en 2017 obtuvo la certificaci\u00f3n de cumplimiento del FSTEC. La soluci\u00f3n combina el funcionamiento del controlador GPU est\u00e1ndar y de la m\u00e1quina virtual. Es decir, la \"m\u00e1quina virtual\" puede soportar <\/a><\/noindex>el funcionamiento de aplicaciones pesadas en dispositivos con una gran cantidad de usuarios (varias centenas).<\/p>\n

Perspectivas del mercado<\/h2>\n

\n\"vGPU
\n
\nAnalistas independientes consideran que el volumen de ventas de soluciones para sistemas HPC alcanzar\u00e1 los 45 mil millones de d\u00f3lares para 2022. Los desarrolladores de plataformas tambi\u00e9n esperan un aumento en la demanda de sistemas de alto rendimiento. Esta expectativa est\u00e1 respaldada por la popularidad de Big Data y la frecuente necesidad de procesar grandes vol\u00famenes de datos.<\/p>\n

Adem\u00e1s, el aumento de la demanda de vGPU puede estimular el desarrollo de tecnolog\u00edas h\u00edbridas que combinan GPU y CPU en un solo dispositivo. En estas soluciones integradas, dos tipos de n\u00facleos utilizan una cach\u00e9 compartida, lo que acelera la transferencia de datos entre los procesadores gr\u00e1ficos y tradicionales. <\/p>\n

Los h\u00edbridos cambiar\u00e1n radicalmente el enfoque hacia la virtualizaci\u00f3n y la distribuci\u00f3n de recursos virtuales en los centros de datos. Adem\u00e1s, soluciones de c\u00f3digo abierto como ROCm y Rapids permiten a los operadores de centros de datos utilizar m\u00e1s eficazmente los recursos de computaci\u00f3n, mejorando el rendimiento del hardware.<\/p>\n

Hay otra opini\u00f3n. Por ejemplo, que las GPU virtuales ser\u00e1n desplazadas por chips \u00f3pticos con codificaci\u00f3n fot\u00f3nica de datos. Tales soluciones ya existen y se utilizan para el aprendizaje autom\u00e1tico. Adem\u00e1s, parecen m\u00e1s productivas <\/a><\/noindex>que las GPU convencionales. Pero la tecnolog\u00eda a\u00fan es inmadura.<\/p>\n

\u00bfQu\u00e9 conclusi\u00f3n se puede sacar? A pesar de la posible aparici\u00f3n de an\u00e1logos, el vGPU es una direcci\u00f3n bastante prometedora, capaz de resolver una gran cantidad de tareas. Pero no es adecuado para todos. As\u00ed que pueden colocar la coma en el t\u00edtulo ustedes mismos.<\/p>\n

P.D.<\/b>
\nSuscr\u00edbete a nuestro Telegram<\/a><\/noindex>-canal para no perderte el pr\u00f3ximo art\u00edculo. Escribimos no m\u00e1s de dos veces a la semana y solo lo necesario.<\/i><\/p>\n

Solo los usuarios registrados pueden participar en la encuesta. Inicie sesi\u00f3n<\/a><\/noindex>, por favor.<\/p>\n

\u00bfUsas vGPU?<\/h2>\n